Επιδημίες και το τέλος της ανθρωπότητας | Ρόζαλιντ Έγκο | TEDxThessaloniki

Από την πανδημία της ισπανικής γρίπης το 1918 στην επιδημία του Έμπολα το 2014 στη Δυτική Αφρική, η ανθρωπότητα έχει ζήσει με τον φόβο μιας ισχυρής μολυσματικής ασθένειας που θα σηματοδοτούσε τον θάνατό της. Η Δρ. Ρόζαλιντ Έγκο είναι σχεδιάστρια μαθηματικών μοντέλων που ανιχνεύουν την εξάπλωση θανατηφόρων ιών, σε μια προσπάθεια να τους σταματήσει. Σε αυτήν την ομιλία, συνδυάζει επιστήμη με χιούμορ και απαντάει την ερώτηση που όλοι θέλουμε να κάνουμε: «Θα σηματοδοτήσει το τέλος της ανθρωπότητας μια πανδημία;»
Η Ρόζαλιντ Έγκο είναι Επίκουρη Καθηγήτρια στο London School of Hygiene & Tropical Medicine, στο Ηνωμένο Βασίλειο. Έλαβε το διδακτορικό της, με θέμα τη δυναμική της πανδημίας γρίπης του 1918, από το Imperial College του Λονδίνου και μετά εργάστηκε στο Πανεπιστήμιο του Texas, στο Austin των ΗΠΑ. Η Ρόζαλιντ αναπτύσσει μαθηματικά μοντέλα για μεταδοτικές ασθένειες. Δηλαδή χρησιμοποιεί υπολογιστικές και μαθηματικές μεθόδους για να καταλάβει πώς μεταδίδονται τα παθογόνα διαμέσου των πληθυσμών. Ο στόχος της μοντελοποίησης σ’ αυτές τις περιπτώσεις είναι η κατανόηση των οδών και των μηχανισμών διάδοσης των μολυσματικών νόσων, έτσι ώστε να σχεδιαστούν οι κατάλληλες παρεμβάσεις που θα τις αποτρέψουν ή θα σταματήσουν την εξάπλωσή τους. Η Ρόζαλιντ έχει εργαστεί στην ανάλυση της πανδημίας γρίπης, του Έμπολα, του Zika, της χολέρας και άλλων παθογόνων.

Αυτή η ομιλία έγινε σε μια εκδήλωση TEDx, η οποία χρησιμοποιεί τη μορφή των συνεδρίων TED αλλά διοργανώνεται ανεξάρτητα, από μια τοπική κοινότητα/ομάδα. Διαβάστε περισσότερα στο http://ted.com/tedx

Πριν από εκατό χρόνια,
εμφανίστηκε ένας νέος ιός της γρίπης,

εξαπλώθηκε στον κόσμο και σκότωσε
50 με 100 εκατομμύρια ανθρώπους.

Για κάθε 40 κρούσματα της γρίπης,

πέθαινε ένα.

Ίσως να σκέφτεστε ότι
οι πιθανότητες δεν είναι τόσο κακές,

αλλά στην πιο πρόσφατη πανδημία γρίπης,

για κάθε άτομο που πέθαινε
υπήρχαν περίπου 10.000 κρούσματα.

Που σημαίνει ότι αυτή
η πανδημία γρίπης του 1918

ήταν η χειρότερη πανδημία στην ιστορία.

Να ένα γράφημα που δείχνει θανάτους
ανά εβδομάδα τον καιρό της πανδημίας

στη Νέα Υόρκη, το Λονδίνο,
το Παρίσι και το Βερολίνο.

Βλέπετε ξεκάθαρα στη μέση
το μεγάλο κύμα της πανδημίας.

Έτσι σε όλη τη Βόρεια Αμερική
μέχρι την Ευρώπη,

αυτή η πανδημία συνέβαινε ταυτόχρονα.

Αυτή η συγχρονικότητα είναι ένα κοινό
σημείο των πανδημιών της γρίπης.

Έτσι δεν ήταν μόνο αυτή
η μεγάλη πανδημία γρίπης το 1918,

αλλά ήταν και το τέλος
του Α' Παγκοσμίου Πολέμου.

Σημείωσα εδώ την Ανακωχή,

το επίσημο τέλος του
Α' Παγκοσμίου Πολέμου με άσπρο.

Μπορείτε να δείτε ότι δεν ήταν μόνο
μια τρομερή περίοδος για την Ευρώπη,

αλλά γινόταν συλλογή δεδομένων
για τους θανάτους.

Και αυτό έδειξε ότι οι μολυσματικές
ασθένειες αποτελούν προτεραιότητα

και πρέπει να συλλέγουμε τέτοια δεδομένα

για να κατανοήσουμε πώς και γιατί
συμβαίνουν αυτές οι επιδημίες.

Μπορούν να χρησιμοποιηθούν υπολογιστικά
και μαθηματικά εργαλεία σε τέτοια δεδομένα

για να κατανοήσουμε τη διαδικασία
μετάδοσης και πώς εμφανίζεται η επιδημία

με τον υπέρτατο στόχο την προσπάθεια
ανάπτυξης παρεμβάσεων, μεθόδων ελέγχου,

για να περιοριστεί η επιδημία
και να επιβραδύνει τη μετάδοση.

Η διαφορά ανάμεσα στην επιδημία και
την πανδημία έχει να κάνει με την κλίμακα.

Αφού είναι ελληνικές λέξεις,
ίσως να τις γνωρίζετε ήδη,

αλλά για όσους δεν είναι,
θα τις εξηγήσω εν συντομία.

Η επιδημία εντοπίζεται
γεωγραφικά σε ένα μέρος.

Για παράδειγμα, η πρόσφατη
επιδημία Έμπολα στη Δυτική Αφρική

περιορίστηκε στη Δυτική Αφρική
και γι' αυτόν τον λόγο είναι επιδημία.

Η πανδημία γρίπης του 1918,
εξαπλώθηκε σε όλον τον κόσμο.

Η εξάπλωση παγκοσμίως είναι
αυτό που προσδιορίζει μια πανδημία.

Όταν έχουμε μια επιδημία,
αυτό που μας ενδιαφέρει πραγματικά

είναι πόσο γρήγορα εξαπλώνεται
από άτομο σε άτομο.

Και το καθορίζουμε ως
τον αριθμό αναπαραγωγής.

Ο αριθμός αναπαραγωγής είναι
το μέσος αριθμός νέων κρουσμάτων

που δημιουργεί κάθε
μολυσματικό άτομο στην αρχή.

Έτσι αν είστε το πρώτο άτομο

που κόλλησε μια επιδημία,
ή έναν νέο ιό ή ένα νέο παθογόνο,

και κανένας άλλος δεν το είχε,
σε πόσα άτομα θα το μεταδίδατε;

Ας πάρουμε για παράδειγμα, ότι μπαίνει
στην αίθουσα ένα μολυσματικό άτομο.

Αν ο αριθμός αναπαραγωγής είναι δύο,

αναμένουμε δύο νέα κρούσματα
από αυτό το άτομο.

Αν αυτά τα άτομα πάνε και μολύνουν
δύο ακόμη από τους φίλους τους,

ίσως να μην έχουν πλέον δύο φίλους,

αλλά τώρα έχουμε τέσσερα κρούσματα.

Και μετά αν αυτοί οι τέσσερις μολύνουν
άλλους δύο ο καθένας και ούτω καθ' εξής,

μπορείτε να δείτε
ότι η επιδημία θα μεγαλώσει.

Ο αριθμός αναπαραγωγής λοιπόν,

ο μέσος αριθμός των ατόμων
που μολύνει κάθε μολυσματικό άτομο,

προσδιορίζει στην πραγματικότητα πόσο
γρήγορα θα μεγαλώσει μια επιδημία.

Αυτό ισχύει, ιδίως στην αρχή.

Αλλά, αν συνεχίσετε έτσι
με κάθε άτομο να μολύνει δύο,

βήμα βήμα, όπως δείχνουμε εδώ,

στο 33ο βήμα, θα έχετε μολύνει
όλον τον κόσμο στη γη.

Και γνωρίζουμε ότι αυτό δε συμβαίνει.

Και γιατί, λοιπόν, δε συμβαίνει αυτό;

Αυτό γίνεται επειδή αρχίζουν
να τελειώνουν τα επιδεκτικά άτομα,

δηλαδή άτομα που δεν έχουν μολυνθεί,

και αυτό λέγεται
εξάντληση των επιδεκτικών.

Για να το δείξουμε αυτό,
ας φανταστούμε ότι αυτό το άτομο εδώ,

ας την πούμε Χριστίνα,

η Χριστίνα μολύνθηκε στο δεύτερο βήμα,

που είναι μεγάλη ατυχία.

Η Χριστίνα τυχαίνει
να είναι φίλη του Σπύρου.

Έτσι όταν ο Σπύρος μολυνθεί αργότερα, και
προσπαθήσει να μολύνει δύο ακόμα άτομα,

ένα από τα άτομα που θα προσπαθήσει
να μολύνει είναι η Χριστίνα.

Αλλά το έχει ήδη περάσει.

Εδώ είναι με μπλε χρώμα
επειδή έχει ανοσία στη μόλυνση

τώρα που έχει αναρρώσει.

Έτσι όταν ο Σπύρος προσπαθήσει
να τη μολύνει, δεν μπορεί,

και αυτό σημαίνει ότι ο αριθμός των
κρουσμάτων αυξάνεται με αργότερο ρυθμό.

Και αν αυτό ισχύει και για άλλα
άτομα στον πληθυσμό, έτσι,

τότε αρχίζετε να βλέπετε μια επιβράδυνση
στον αριθμό των κρουσμάτων.

Αυτό είναι η εξάντληση των επιδεκτικών.

Θα σας δείξω πώς ενσωματώνουμε
τέτοιου είδους διαδικασιών

σε μοντέλα μετάδοσης.

Αν θα μοντελοποιήσουμε κάτι όπως η γρίπη,

το πρώτο πράγμα είναι
να χωρίσουμε τον πληθυσμό

σε τρεις ομάδες νόσου.

Εδώ μπορείτε να δείτε τα άτομα
που είναι επιδεκτικά στη μόλυνση,

άρα μπορούν να μολυνθούν.

Μπορείτε να δείτε τα μολυσματικά άτομα
που έχουν τη μόλυνση

και τη μεταδίδουν σε άλλα άτομα.

Και μετά σε μπλε χρώμα έχουμε την ομάδα
ατόμων που έχουν αναρρώσει ή πεθάνει.

Κανονικά θεωρούμε ότι όταν οι άνθρωποι
αναρρώσουν από τη μόλυνση,

είναι προστατευμένοι.

Αλλά αν είναι μια πολύ σοβαρή μόλυνση,
μπορεί και να έχουν πεθάνει.

Όλοι στον πληθυσμό πρέπει
να ανήκει σε μία από αυτές τις ομάδες.

Και προσδιορίζουμε τα ποσοστά
μετάβασης ανάμεσα σε κάθε ομάδα.

Έτσι όταν μολυνθείτε,
αυτό συμβαίνει στο ποσοστό μετάδοσης,

και όταν γίνεται η ανάρρωση,
αυτό συμβαίνει στο ποσοστό ανάρρωσης.

Το ποσοστό μετάδοσης
είναι το σημαντικότερο

όταν σκέφτεστε πόσο γρήγορα
αυξάνονται οι επιδημίες.

Αυτό που θέλουμε να προσδιορίσουμε

είναι όταν έχετε ένα μολυσματικό
άτομο στον πληθυσμό

και πάει έξω και έχει επαφές
με άτομα που γνωρίζει,

πόσο πιθανό είναι να μεταδώσει
αυτή τη μόλυνση στις επαφές του;

Κι έτσι, όταν προσδιορίσουμε
μαθηματικά το ποσοστό μετάδοσης

τον χωρίζουμε σε τέσσερα μέρη.

Πρώτα πρώτα, έχουμε
το ποσοστό μετάδοσης

που ισούται με τον αριθμό
των μολυσματικών ατόμων.

Όσο πιο πολλά μολυσματικά άτομα υπάρχουν,

τόσο υψηλότερο θα είναι
το ποσοστό μετάδοσης

επειδή θα υπάρχουν πολλά άτομα
που θα μολύνουν άλλα άτομα.

Μετά το πολλαπλασιάζουμε με τον αριθμό
επαφών που έχει κάθε άτομο ανά μέσο όρο.

Μπορείτε να δείτε εδώ ότι τα μολυσματικά
άτομα κάνουν αυτές τις επαφές τυχαία

με επιδεκτικά, μολυσματικά
ή άτομα που έχουν αναρρώσει.

Μετά συμπεριλαμβάνουμε
την πιθανότητα μόλυνσης σε μια επαφή.

Ποια είναι η πιθανότητα

όταν ένα μολυσματικό άτομο
συναντήσει ένα επιδεκτικό άτομο

να του μεταδώσει την ασθένεια;

Για τη γρίπη, είναι περίπου
στο 10%, κάτι τέτοιο.

Και τέλος, συμπεριλαμβάνουμε
το ποσοστό του πληθυσμού

που είναι επιδεκτικό.

Στην αρχή μιας επιδημίας, όταν οι
περισσότεροι άνθρωποι είναι επιδεκτικοί,

δηλαδή δεν έχουν περάσει τη νόσο,

η πιθανότητα να συναντήσετε
ένα επιδεκτικό άτομο είναι αρκετά υψηλή.

Αλλά αργότερα, καθώς εξαντλούνται,
δηλαδή τελειώνουν τα επιδεκτικά άτομα

γίνεται όλο και πιο απίθανο
να συναντήσετε ένα επιδεκτικό άτομο.

Για να δούμε πώς ενσωματώνεται
αυτό στα μοντέλα μας.

Να πώς μοιάζει μια επιδημία -

μια προσομοιωμένη επιδημία
σε 5.000 ανθρώπους.

Μπορείτε να δείτε την γκρίζα μπάρα
που δείχνει την ομάδα επιδεκτικών,

και ξεκινάει στο 5.000,
δηλαδή τους πάντες,

εκτός από ένα μολυσματικό άτομο στην αρχή.

Με το κόκκινο βλέπετε
τη μολυσματική επιδημία,

και μετά με μπλε, την ομάδα
που έχει αναρρώσει στο τέλος.

Ίσως να παρατηρήσετε σε αυτό το σημείο,

ότι όταν τα μισά επιδεκτικά
άτομα έχουν μολυνθεί,

αυτό το κομμάτι της εξίσωσης,
το ποσοστό των επιδεκτικών,

μειώνεται και αυτό στο μισό,

που ρίχνει κατά πολύ το ποσοστό μετάδοσης.

Και αυτό είναι σημαντικό, επειδή
είναι η εξάντληση των επιδεκτικών,

δηλαδή να τελειώσουν τα επιδεκτικά άτομα,

που κάνει μια επιδημία να φτάσει
στην κορύφωσή της και μετά να εξασθενήσει.

Ίσως οι αετομάτηδες ανάμεσά σας
να πρόσεξαν επίσης

ότι αν κάνετε μια οριζόντια γραμμή
στο 5.000, που είναι όλος ο πληθυσμός,

ότι στο τέλος της επιδημίας
υπάρχει ένα μικρό χάσμα.

Υπάρχει ένα χάσμα ανάμεσα
στον τελικό αριθμό επιδεκτικών ατόμων

και τον τελικό αριθμό ατόμων που νόσησαν.

Και αυτό είναι επειδή μερικοί
άνθρωποι δεν μολύνονται.

Οι τυχεροί.

Ο τελικός αριθμός των κρουσμάτων
και το μέγεθος του χάσματος

καθορίζεται από τον αριθμό αναπαραγωγής,
από το πόσο μολυσματικό είναι το παθογόνο.

Ας εξερευνήσουμε
πώς λειτουργεί αυτή η σχέση.

Αυτό που σας δείχνω εδώ,

στον οριζόντιο άξονα βλέπετε τους αριθμούς
αναπαραγωγής από το μηδέν έως το πέντε.

Στον κάθετο άξονα βλέπετε
το ποσοστό του πληθυσμού

που έχει μολυνθεί στο σύνολο.

Ας ρίξουμε μια ματιά σε μερικά παθογόνα
που ίσως να έχετε ακουστά

και να δούμε τους δικούς τους
αριθμούς αναπαραγωγής.

Εδώ, για παράδειγμα, η εποχιακή γρίπη,
περίπου γύρω στο 1,4-1,5.

Έμπολα, είναι περίπου 2.

Η πανδημική γρίπη, ίσως 2,5.

SARS, περίπου 3.

Και μετά η ανεμοβλογιά, περίπου 5.

Για κάθε κρούσμα ανεμοβλογιάς
που μπορούσαμε να δούμε στον πληθυσμό,

αναμέναμε να δούμε ακόμη πέντε κρούσματα.

Ποια είναι η σχέση;

Εδώ μπορείτε να δείτε ότι
από το μηδέν στο ένα,

όταν ο αριθμός αναπαραγωγής
είναι μικρότερος του ένα,

δεν μολύνεται κανένας.

Κι αυτό είναι επειδή αν μολύνετε
λιγότερο από ένα άτομο

για κάθε μολυσματικό άτομο,
δεν υπάρχει επιδημία.

Και μετά αυξάνεται γοργά,

και φαίνεται να φτάνει στο 100%.

Αλλά δεν φτάνει ακριβώς.

Η γραμμή δεν φτάνει ακριβώς στο 100%.

Και για να σας το δείξω αυτό, ας δούμε
ακόμη υψηλότερους αριθμούς αναπαργωγής.

Εδώ μπορείτε να δείτε το ίδιο γράφημα,

αλλά τώρα ο οριζόντιος άξονας
ξεκινάει στο πέντε και φτάνει μέχρι το 10,

και ο κάθετος άξονας είναι ακόμη ψηλότερα.

Μερικά παθογόνα σε αυτήν
την περιοχή είναι ο κοκκύτης,

και η πολιομυελίτιδα και η διφθερίτιδα
είναι επίσης εκεί γύρω.

Και πάλι βλέπετε ότι η γραμμή αυξάνεται
καθώς ο αριθμός αναπαραγωγής μεγαλώνει.

Αλλά και πάλι δεν φτάνει στο 100%
αν και φαίνεται έτσι.

Τι γίνεται αν είναι ακόμη πιο μεγάλος;

Ας δούμε τώρα το ίδιο γράφημα,

αλλά τώρα ο οριζόντιος άξονας
ξεκινάει στο 10 και πάει μέχρι το 15.

Κάποιο από τα παθογόνα που είναι
τόσο μολυσματικά είναι ο νοροϊός.

Αν δεν ακολουθείτε κανέναν κανόνα
υγιεινής, τότε είναι περίπου 14.

Η ιλαρά, ελλείψει εμβολιασμού,

έχει αριθμό αναπαραγωγής
ανάμεσα στο 12 και το 18.

Αν λοιπόν δεν εμβολιαστεί κανένας
και έχουμε ένα κρούσμα ιλαράς,

αναμένουμε να δούμε
περίπου 15 ακόμη κρούσματα ιλαράς.

Και αυτά είναι μερικά από τα πιο
μολυσματικά παθογόνα που έχουμε.

Κι εδώ, η γραμμή δεν πρόκειται
να φτάσει το 100%.

Δεν πρόκειται να φτάσει εκεί, ασχέτως
πόσο μολυσματικό είναι το παθογόνο,

το οποίο είναι μια πολύ καλή είδηση.

Οπότε, αν υπήρχε ένα παθογόνο
που ήταν τόσο μολυσματικό όσο αυτό,

πολύ μολυσματικό,
δεν κάναμε τίποτα γι' αυτό,

δηλαδή δεν υπήρχαν μέτρα ελέγχου,
δεν υπήρχαν παρεμβάσεις, εμβόλια,

και σκότωνε τους πάντες,
που είναι εξαιρετικά απίθανο,

ακόμη και τότε δεν θα καταφέρναμε
να εξαλείψουμε την ανθρωπότητα.

Η απάντηση λοιπόν είναι όχι,

δεν θα εξαλείψει
την ανθρωπότητα ένα παθογόνο.

Που είναι πολύ καλό νέο για το είδος μας,
αρκεί φυσικά οι επιζώντες,

αυτοί που θα απομείνουν θα αρέσουν
ο ένας στον άλλον αρκετά

ώστε να επανακατοικήσουν τον πλανήτη.

(Γέλια)

Αυτά είναι καλά νέα.

Αλλά κανονικά, και αυτό
που κάνω στη δουλειά μου,

είναι ότι δεν προσπαθούμε απλώς
και αφήνουμε τις επιδημίες να συμβούν.

Η δουλειά μου είναι να προσπαθήσω
να κατανοήσω τη μετάδοση αρκετά

ώστε να αναπτύξουμε
και να αξιολογήσουμε μέτρα ελέγχου.

Τα μέτρα ελέγχου είναι πράγματα όπως

το κλείσιμο σχολείων ή η ενθάρρυνση
του να μην πηγαίνεις στη δουλειά άρρωστος

ή ο εμβολιασμός.

Ο σκοπός αυτών των μέτρων ελέγχου είναι
να σπρώξουμε τον αριθμό αναπαραγωγής,

τον μέσο αριθμό δευτερευόντων
κρουσμάτων, κάτω από το ένα.

Κι αυτό επειδή αν κάθε μολυσματικό
άτομο μολύνει λιγότερα από ένα άτομο,

η επιδημία θα φθίνει.

Αυτός είναι ο σκοπός της δουλειάς μου.

Πρέπει τώρα να σας πω για μία εξαίρεση.

Επειδή πάντα υπάρχει ένα αλλά.

Υπάρχει μία μόλυνση που θα μπορούσε
να δημιουργήσει ένα προβληματάκι.

Και είναι κάτι που αρέσει
στους ανθρώπους να σκέφτονται,

και έχουν κάνει και ταινίες γι' αυτό.

Και αυτό είναι η μόλυνση από ζόμπι.

(Γέλια)

Αν και είναι κάτι πιο χιουμοριστικό,

είναι ενδιαφέρον να δούμε
τη μόλυνση από ζόμπι

και να καταλάβουμε γιατί

αυτό είναι κάτι που θα μπορούσε
να εξαλείψει την ανθρωπότητα από τη γη.

Θα πάρουμε το ίδιο μοντέλο
που είχαμε και πριν.

Έχουμε τους επιδεκτικούς,
τους μολυσματικούς

και αυτούς που έχουν αναρρώσει,
και τα ποσοστά αναπαραγωγής.

Και μετά έχουμε τα ποσοστά αναπαραγωγής
χωρισμένα σε τέσσερα μέρη.

Γιατί λοιπόν, η μόλυνση από ζόμπι
θα μπορούσε να τους εξαφανίσει όλους;

Πρώτα απ' όλα, τα ζόμπι
δεν ακολουθούν τον πρώτο κανόνα.

Στο μοντέλο μας υποθέτουμε
ότι ο κόσμος αναρρώνει από τη μόλυνση.

Και όπως το καταλαβαίνω, κανένας
δεν αναρρώνει από μόλυνση από ζόμπι.

Δεν υπάρχουν ταινίες για άτομα
που αρρώστησαν το σαββατοκύριακο

αλλά πήγαν στη δουλειά τη Δευτέρα.

(Γέλια)

Το άλλο που υποθέτουμε είναι ότι
αν οι άνθρωποι πεθάνουν από τη μόλυνση,

παραμένουν πεθαμένοι,
και τα ζόμπι δεν το κάνουν αυτό.

(Γέλια)

Οπότε δεν ακολουθεί
τον κανόνα του μοντέλου μας.

Το άλλο είναι ότι η πιθανότητα μόλυνσης
μετά από επαφή με ζόμπι είναι πολύ υψηλή.

Υποθέτω ότι είναι 100%.

Για κάτι όπως η γρίπη, αν συναντήσετε
ένα μολυσματικό άτομο, είναι περίπου 10%,

αλλά με τα ζόμπι δεν βλέπετε ποτέ
κάποιον με μόνο ένα επιφανειακό τραύμα

που δεν το κολλάει.

Δεν ακολουθεί ούτε αυτόν τον κανόνα.

Και τέλος, θυμάστε που σας είπα

ότι υποθέτουμε ότι οι άνθρωποι
κάνουν τυχαίες συναντήσεις;

Τα ζόμπι πάνε και ψάχνουν
επιδεκτικά άτομα.

Οπότε δεν ακολουθεί αυτόν τον κανόνα.

Και αυτό σημαίνει ότι η μόνη επιδημία
που θα μπορούσε να μολύνει τους πάντες

και να αφανίσει την ανθρωπότητα
θα ήταν μια αποκάλυψη των ζόμπι.

Και αυτά είναι πραγματικά καλά νέα
επειδή τα ζόμπι δεν είναι αληθινά.

Σας ευχαριστώ πολύ.

(Χειροκρότημα)